Jurnal Kesehatan Medika Saintika

Smart partial least square merupakan teknik yang sering disebut soft modeling, karenadimungkinkan melakukan pemodelan persamaan struktural dengan ukuran sampel relatif kecil dan tidakmembutuhkan data berdistribusi normal, serta dimungkinkan menggunakan indikator bersifat reflektif danformatif. PLS disebut sebagai metode analisis yang powerful karena dapat diterapkan pada semua skaladata, tidak membutuhkan banyak asumsi dan ukuran sampel tidak harus besar. Metode ini dapatdigunakan sebagai konfirmasi teori juga dapat digunakan untuk membangun hubungan yang belum adalandasan teorinya atau untuk pengujian proposisi.Kata Kunci: Smart PLS, algorithm, bootstrappingABSTRAK  Smart partial least square merupakan teknik yang sering disebut soft modeling, karena dimungkinkan melakukan pemodelan persamaan struktural dengan ukuran sampel relatif kecil dan tidak membutuhkan data berdistribusi normal, serta dimungkinkan menggunakan indikator bersifat reflektif dan formatif.  PLS disebut sebagai metode analisis yang powerful karena dapat diterapkan pada semua skala data, tidak membutuhkan banyak asumsi dan ukuran sampel tidak harus besar.  Metode ini dapat digunakan sebagai konfirmasi teori juga dapat digunakan untuk membangun hubungan yang belum ada landasan teorinya atau untuk pengujian proposisi.Kata Kunci: Smart PLS, algorithm, bootstrapping.  ABSTRACT Smart partial least squares is a technique that is often called soft modeling, because of possible structural equation modeling with relatively small sample size and does not require normal distribution of data, as well as the possible use of indicators reflective and formative. PLS is referred to as a powerful analytical method because it can be applied to all the data scale, does not require a lot of assumptions, and the sample size should not be large. This method can be used as a confirmation of the theory can also be used to build a relationship that is no theoretical basis for testing or proposition.Key Word: Smart PLS, algorithm, bootstrapping

Arikhman, Nova

 
Jurnal Kesehatan Medika Saintika  
Volume 6 Nomor 2 (Desember 2015) | https://jurnal.syedzasaintika.ac.id 
 
1 
 
e-ISSN : 2540-961 
p-ISSN : 2087-8508 
 
S
E
K
O
L
A
H
T
I
N
G
G
I I LM
U
K
E
S
E
H
A
T
A
N
SY EDZ
NA  SA I
T I K A
SMART PARTIAL LEAST SQUARE SOFTWARE YANG POWERFULL: 
STUDI LITERATUR ANALISA MULTIVARIAT MASA KINI  
 
  
Nova Arikhman
 
Program Studi Ilmu Kesehatan Masyarakat STIKes Syedza Saintika Padang 
(arikhmannova73@gmail.com, 085355668822) 
 
 
ABSTRAK 
 
 Smart partial least square merupakan teknik yang sering disebut soft modeling, karena 
dimungkinkan melakukan pemodelan persamaan struktural dengan ukuran sampel relatif kecil dan tidak 
membutuhkan data berdistribusi normal, serta dimungkinkan menggunakan indikator bersifat reflektif dan 
formatif.  PLS disebut sebagai metode analisis yang powerful karena dapat diterapkan pada semua skala 
data, tidak membutuhkan banyak asumsi dan ukuran sampel tidak harus besar.  Metode ini dapat 
digunakan sebagai konfirmasi teori juga dapat digunakan untuk membangun hubungan yang belum ada 
landasan teorinya atau untuk pengujian proposisi. 
Kata Kunci: Smart PLS, algorithm, bootstrapping. 
 
 
ABSTRACT 
 
Smart partial least squares is a technique that is often called soft modeling, because of possible 
structural equation modeling with relatively small sample size and does not require normal distribution of 
data, as well as the possible use of indicators reflective and formative. PLS is referred to as a powerful 
analytical method because it can be applied to all the data scale, does not require a lot of assumptions, 
and the sample size should not be large. This method can be used as a confirmation of the theory can also 
be used to build a relationship that is no theoretical basis for testing or proposition. 
Key Word: Smart PLS, algorithm, bootstrapping. 
 
 
PENDAHULUAN  
Smart partial least square (SmartPLS) 
saat ini menjadi soft ware pilihan untuk 
melakukan analisa multivariat dalam rangka 
mengkonfirmasi hipotesis penelitian, dilakukan 
dengan menguji secara bersamaan variabel 
bebas, variabel terikat, variabel intervening, 
maupun variabel lain dalam penelitian.  Alasan 
pemilihan teknik yang sering disebut soft 
modeling ini sebagaimana yang dikemukakan 
oleh Herman Wold dalam Jaya & Sumertajaya 
(2008), karena dimungkinkan melakukan 
pemodelan persamaan struktural dengan ukuran 
sampel relatif kecil dan tidak membutuhkan data 
berdistribusi normal, serta dimungkinkan 
menggunakan indikator bersifat reflektif dan 
formatif.   
SmartPLS disebut sebagai metode 
analisis yang powerful karena dapat diterapkan 
pada semua skala data, tidak membutuhkan 
banyak asumsi dan ukuran sampel tidak harus 
 
Jurnal Kesehatan Medika Saintika  
Volume 6 Nomor 2 (Desember 2015) | https://jurnal.syedzasaintika.ac.id 
 
2 
 
e-ISSN : 2540-961 
p-ISSN : 2087-8508 
 
S
E
K
O
L
A
H
T
I
N
G
G
I I LM
U
K
E
S
E
H
A
T
A
N
SY EDZ
NA  SA I
T I K A
besar.  Metode ini dapat digunakan sebagai 
konfirmasi teori juga dapat digunakan untuk 
membangun hubungan yang belum ada landasan 
teorinya atau untuk pengujian proposisi. PLS 
juga dapat digunakan untuk pemodelan 
struktural dengan indikator bersifat reflektif 
ataupun formatif (Jaya & Sumertajaya, 2008). 
Indikator reflektif, mengasumsikan 
bahwa variasi skor pengukuran konstruk 
merupakan fungsi dari true score ditambah 
error.  Arah hubungan kausalitas seolah-olah 
dari konstruk ke indikator, antar indikator saling 
berkorelasi, menghilangkan satu indikator dari 
model pengukuran tidak merubah konstruk, 
kesalahan pengukuran (error) pada tingkat 
indikator.  Sementara pada indikator formatif, 
variabel laten ditentukan oleh indikatornya, jadi 
arah hubungan kausalitas dari indikator ke 
variabel laten, antar indikator diasumsikan tidak 
berkorelasi, menghilangkan satu indikator 
berakibat merubah makna dari konstruk, dan 
kesalahan pengukuran diletakkan pada tingkat 
konstruk. 
 
LANGKAH PENGUJIAN 
Penerapan uji statistik dengan 
menggunakan SmartPLS, pada dasarnya melalui 
prosedur yang sudah baku.  Namun jumlah 
langkah yang dibutuhkan ditentukan oleh 
kebutuhan uji, setidaknya ada tujuh langkah 
yang mesti dilakukan untuk melakukan uji.  
Langkah pengujian menurut Jaya & Sumertajaya 
(2008); Ghozali (2008); Chin, et.al (2003), 
sebagai berikut.   
Merancang Model Structural 
Langkah pertama, merancang model 
struktural (inner model), yaitu merancang model 
struktural hubungan antar variabel laten 
didasarkan pada rumusan masalah atau hipotesis 
penelitian.  Merancang hubungan variabel laten 
eksogen (ξ1-dst), intervening (η1), endogen (η2), 
dan lainnya (ηx).  
Merancang Model Pengukuran 
Langkah kedua, merancang model 
pengukuran (outer model), perancangan model 
didasarkan pada teori dan penelitian empiris 
sebelumnya, atau secara rasional dan normative.  
Perancangan ini penting, karena terkait dengan 
apakah indikator bersifat reflektif atau formatif.  
Seluruh indikator pada penelitian ini bersifat 
reflektif, karena antar indikator saling 
berhubungan, arah hubungan terjadi dari 
indikator ke variabel manifest dan ke konstruk 
atau variabel laten, menghilangkan satu indikator 
dari variabel manifest tidak merubah konstruk, 
sehingga kesalahan pengukuran (error) terdapat 
pada tingkat indikator dan sekaligus dibutuhkan 
pengukuran internal konsistensi terhadap 
indikator.  
Mengkonstruksi Diagram Jalur 
Langkah ketiga, mengkonstruksi 
diagram jalur, yaitu hasil perancangan inner 
model dan outer model dinyatakan dalam bentuk 
diagram jalur.  Setelah inner model dan outer 
model ditetapkan beserta komponennya, 
 
Jurnal Kesehatan Medika Saintika  
Volume 6 Nomor 2 (Desember 2015) | https://jurnal.syedzasaintika.ac.id 
 
3 
 
e-ISSN : 2540-961 
p-ISSN : 2087-8508 
 
S
E
K
O
L
A
H
T
I
N
G
G
I I LM
U
K
E
S
E
H
A
T
A
N
SY EDZ
NA  SA I
T I K A
selanjutnya untuk mempermudah pembacaan 
dan pemahaman hubungan antar variabel laten 
dan variabel manifest dalam penelitian ini, inner 
model dan outer model beserta komponennya 
dikonversi dalam bentuk diagram jalur sesuai 
contoh berikut ini. 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
Gambar 1:  Contoh Diagram Jalur 
 
Keterangan diagram jalur 
ξ1-ξ9 : Ksi, variabel laten eksogen. 
ε1  : Eta, variabel laten intervening. 
ε2 : Variabel laten endogen. 
x1-x23 : Dimensi variabel laten eksogen ξ1-ξ9 (x1-x5 untuk ξ1; x6-x8: ξ2; x9-x10: ξ3; x11-x12: ξ4; x13-x14: ξ5; 
x15-x16: ξ6; x17-x18: ξ7; x19-x20: ξ8; dan x21-x23: ξ9). 
y1-y28 : Dimensi variabel laten intervening ε1. 
z1-z6 : Dimensi variabel laten endogen ε2. 
γ  : Gamma kecil, koefisien pengaruh ξ terhadap ε1 dan ε2 variabel endogen (γ1.1 adalah pengaruh ξ1 
terhadap ε1; γ2.1: ξ2-ε1; γ3.1: ξ3-ε1; γ4.1: ξ4-ε1; γ5.1: ξ5-ε1; γ6.1: ξ6-ε1; γ7.1: ξ7-ε1; γ8.1: ξ8-ε1; γ9.1: ξ9-
ε1; γ1.2 adalah pengaruh ξ1 terhadap ε2; γ2.2: ξ2-ε2; γ3.2: ξ3-ε2; γ4.2: ξ4-ε2, γ5-2: ξ5-ε2;  γ6.2: ξ6-ε2 
;γ7.2: ξ7-ε2; γ82: ξ8-ε2; dan γ9.2: ξ9-ε2). 
β  : Beta kecil, koefisien pengaruh ε1 terhadap ε2.  
γ2.1 
γ1.1 
γ4.1 
γ5.1 
γ3.1 
γ6.1 
γ7.1 
γ8.1 
γ9.1 
γ9.2 
γ8.2 
γ7.2 
γ6.2 
γ5.2 
γ4.2 
γ3.2 
γ2.2 
ξ1 
β 
z6 
ε29 
x1-x5 
ξ2 
ξ3 
ξ4 
ξ5 
ξ6 
ξ7 
ξ8 
ξ9 
λx1-x5 
ID71-87 ID71-87 y1-y28 
λz1 λz2 λz4 λz3 λz5 λz6 
λy1-28 
ε1 
ε2 
γ1.2 
z5 z4 z3 z2 z1 
ε30 ε31 ε32 ε33 ε34 
δ1-5 x1-x5 x1-x5 
x1-x5 x1-x5 
x6-x8 
x6-x8 x6-x8 
x9-10 
x9-10 x9-10 x11-12 
x11-12 x11-12 
x13-14 
x11-12 x11-12 
x15-16 
x11-12 x11-12 
x17-18 
x17-18 x17-18 x19-20 
x19-20 x19-20 
x21-23 
λx6-x8 
λx9-x10 
λx11-12 
λx13-14 
λx17-18 
λx21-23 
λx15-16 
λx19-20 
ε1-28 
 
δ6-7 
δ8-9 
δ21-23 
δ19-20 
δ17-18 
δ15-16 
δ13-14 
δ10-12 
δ1 
δ2 
 
Jurnal Kesehatan Medika Saintika  
Volume 6 Nomor 2 (Desember 2015) | https://jurnal.syedzasaintika.ac.id 
 
4 
 
e-ISSN : 2540-961 
p-ISSN : 2087-8508 
 
S
E
K
O
L
A
H
T
I
N
G
G
I I LM
U
K
E
S
E
H
A
T
A
N
SY EDZ
NA  SA I
T I K A
λx : Lamnda kecil, loading faktor ξ.  
λy  : Loading faktor ε1. 
λz  : Loading faktor ε2. 
δ   : Zeta kecil, galat model, δ1 galat model ε1 dan δ2 galat model ε2. 
δ1-δ23 : Delta kecil, galat pengukuran x1-x23.  
ε1-ε28 : Epsilon kecil, galat pengukuran y1-y28. 
ε29-ε34 : Galat pengukuran z1-z6. 
 
 
Mengonversi Diagram Jalur Ke Dalam 
Sistem Persamaan 
Langkah ke empat, konversi diagram 
jalur ke dalam sistem persamaan, terdiri dari 
sistem persamaan pengukuran (outer relation 
atau measurement model) dan sistem persamaan 
structural (inner relation atau structural model).  
Persamaan pengukuran yaitu spesifikasi 
hubungan antara variabel laten dengan 
indikatornya, mendefinisikan karakteristik 
konstruk dengan variabel manifest.  Persamaan 
pengukuran tersebut berbentuk indikator reflektif 
sesuai tabel berikut. 
Tabel 2: Persamaan Pengukuran  
No. Variabel Laten Loading Faktor Persamaan Pengukuran 
1. Eksogen ξ1-dst  λx1- dst x1 = λx1- dst x ξ1- dst + δ1-dst 
2. Intervening ε1-dst λy1-dst y1 = λy1-dst x ε1-dst + ε1-dst 
3. Endogen ε2-dst λz1-dst z1 = λz1-dst x ε2-dst + ε1-dst 
 
Sesuai paparan tabel di atas, x, y dan z 
adalah indikator untuk variabel laten eksogen 
(ξ1-9), intervening (ε1) dan endogen (ε2). 
Sedangkan λx1-23, λy1-28 dan λz1-6 merupakan 
matriks loading yang menggambarkan koefisien 
regresi sederhana yang menghubungkan variabel 
laten dengan indikatornya.  Residual yang 
dilambangkan dengan δ1-23 dan ε1-34 dapat 
diinterpretasikan sebagai kesalahan pengukuran 
atau noise pada indikator variabel laten. 
Persamaan struktural yaitu spesifikasi 
hubungan antar variabel laten, merupakan 
penggambaran hubungan antar variabel laten 
berdasarkan teori substansif penelitian.  Maka 
persamaan struktural disusun berdasarkan 
keberadaan dan hubungan antar variabel laten 
yang dimaksud, persamaan struktural tersebut 
sebagaimana berikut ini. 
Tabel 3: Persamaan Struktural atau Persamaan Model  
No. Variabel Laten Loading Faktor Persamaan Struktural 
1. Intervening ε1-dst γ1.1, γ2.1, γ3.1, dst ε1=   γ1.1 x ξ1 + γ2.1 x ξ2 + γdst x ξdst + δ1 
2. Endogen ε2-dst β, γ1.2, γ2.2, γ3.2, dst ε2=   β x ε1 + γ1.2 x ξ1 + γ2.2 x ξ2 + γdst x ξdst + δ2 
 
Estimasi Model 
 
Jurnal Kesehatan Medika Saintika  
Volume 6 Nomor 2 (Desember 2015) | https://jurnal.syedzasaintika.ac.id 
 
5 
 
e-ISSN : 2540-961 
p-ISSN : 2087-8508 
 
S
E
K
O
L
A
H
T
I
N
G
G
I I LM
U
K
E
S
E
H
A
T
A
N
SY EDZ
NA  SA I
T I K A
Langkah kelima estimasi, metode 
pendugaan parameter adalah metode kuadrat 
terkecil, proses perhitungan dilakukan dengan 
cara iterasi, iterasi akan berhenti jika telah 
tercapai kondisi konvergen.  Pendugaan 
parameter meliputi tiga hal, weight estimate: 
digunakan untuk menghitung skor variabel laten, 
path estimate atau estimasi jalur: 
menghubungkan antar variabel laten dan 
estimasi loading antara variabel laten dengan 
indikatornya, means dan parameter lokasi (nilai 
konstanta regresi, intersep) untuk indikator dan 
variabel laten.  Pendugaan parameter untuk 
model pengukuran dan model struktural sesuai 
tabel berikut ini. 
 
 
Tabel 4: Pendugaan Parameter Model Pengukuran 
No 
Model Pengukuran Entire Sample 
Estimate 
Mean of Sub 
Samples 
Standar 
Error (SE) 
Nilai t 
Hitung Variabel Laten Variabel Manifest 
1. Eksogen ξ1  x1 ……..….… ……….…..… ……….….. ……..…. 
x2 ……..….… ……….…..… ……….….. ……..…. 
x3, dan seterusnya ……..….… ……….…..… ……….….. ……..…. 
2. Eksogen ξ2  x1 ……..….… ……….…..… ……….….. ……..…. 
x2 ……..….… ……….…..… ……….….. ……..…. 
x3, dan seterusnya ……..….… ……….…..… ……….….. ……..…. 
3. Eksogen ξ3, dan 
seterusnya  
x1 ……..….… ……….…..… ……….….. ……..…. 
x2 ……..….… ……….…..… ……….….. ……..…. 
x3, dan seterusnya ……..….… ……….…..… ……….….. ……..…. 
4. Intervening η1  y1 ……..….… ……….…..… ……….….. ……..…. 
y2 ……..….… ……….…..… ……….….. ……..…. 
y3, dan seterusnya ……..….… ……….…..… ……….….. ……..…. 
5. Endogen η2  z1 ……..….… ……….…..… ……….….. ……..…. 
z2 ……..….… ……….…..… ……….….. ……..…. 
z3, dan seterusnya ……..….… ……….…..… ……….….. ……..…. 
 
Goodness of Fit Model 
Langkah keenam Goodness of fit model 
pengukuran dan model struktural.  Pada model 
pengukuran, jika penelitian menggunakan 
indikator reflektif maka diperlukan evaluasi 
berupa pemeriksaan validitas dan reliabilitas 
instrument.  Pemeriksaan meliputi convergent 
validity, discriminant validity, dan composite 
reliability (pc).  
Goodness of fit model struktural, 
dievaluasi dengan melihat prosentase varians 
yaitu dengan melihat R
2
 untuk konstruk laten 
endogen, menggunakan ukuran Stone Geisser Q 
Square test, dan melihat besaran koefisien jalur 
struktural dengan interpretasi yang sama dengan 
regresi, evaluasi ini mengukur seberapa baik 
nilai observasi dihasilkan oleh model dan juga 
 
Jurnal Kesehatan Medika Saintika  
Volume 6 Nomor 2 (Desember 2015) | https://jurnal.syedzasaintika.ac.id 
 
6 
 
e-ISSN : 2540-961 
p-ISSN : 2087-8508 
 
S
E
K
O
L
A
H
T
I
N
G
G
I I LM
U
K
E
S
E
H
A
T
A
N
SY EDZ
NA  SA I
T I K A
estimasi parameternya.  Dalam penelitian ini 
menggunakan rumus: Q
2 
= 1 – (1 – Rη1
2
) ( 1 – 
Rη2
2
), dimana Rη1
2
, Rη1
2 
adalah R-square variabel 
endogen dalam model persamaan.   
Besaran Q
2
 memiliki nilai dengan 
rentang 0 < Q
2 
< 1, semakin mendekati 1 berarti 
model semakin baik, besaran Q
2 
ini setara 
dengan koefisien determinasi total pada analisis 
jalur (path analysis).  Indikator nilai dalam 
menentukan kelayakan model struktural sesuai 
rumus Q
2
, sedangkan indikator nilai dalam 
menentukan kelayakan model pengukuran sesuai 
tabel berikut. 
 
Tabel 5. Uji Kelayakan Model Pengukuran 
No. Variabel Laten 
Composit 
Realibility 
AVE 
Cronbach 
Alpha 
Keterangan 
1. Eksogen ξ1 ……….…..… ……….….. ……….…..… vit/margin/un 
2. Eksogen ξ2 ……….…..… ……….….. ……….…..… vit/margin/un 
3. Eksogen ξ3, dan seterusnya ……….…..… ……….….. ……….…..… vit/margin/un 
4. Intervening η1 ……….…..… ……….….. ……….…..… vit/margin/un 
5. Endogen η2 ……….…..… ……….….. ……….…..… vit/margin/un 
Keterangan: margin= marginalvit, un= unvit. 
Pengujian Hipotesis 
Langkah ketujuh adalah pengujian 
hipotesis, dilakukan dengan metode resampling 
Bootstrap, statistik uji yang digunakan t-test 
≥1,96 atau signifikansi p-value ≤0,05 pada alpha 
5% yang dapat dilihat dari nilai koefisien jalur, 
nilai ≥1,96 disimpulkan sebagia hubungan yang 
signifikan.   
Jika pengujian hipotesis pada model 
pengukuran memperoleh hasil signifikan, maka 
menunjukkan bahwa indikator dapat digunakan 
sebagai instrumen pengukur variabel laten, 
namun jika hasil pengujian pada model 
struktural yang signifikan, maka dapat diartikan 
bahwa terdapat pengaruh yang bermakna 
variabel laten terhadap variabel laten lainnya.  
Jika penelitian menggunakan variabel 
intervening maka rumusan hipotesis, sesuai tabel 
berikut. 
Tabel 6: Formulasi Hipotesis Statistik berdasarkan Rumusan Hipotesis  
No. Rumusan Hipotesis Penelitian  Formulasi Hipotesis Statistik  
1. Ada peran Intervening η1sebagai perantara Eksogen ξ1 
dengan Endogen η2 
H1: γ1.1 x β > (γ1.2)
2
 
2. Ada peran Intervening η1sebagai perantara Eksogen ξ2 
dengan Endogen η2 
H2: γ2.1 x β > (γ2.2)
2
 
3. Ada peran Intervening η1sebagai perantara Eksogen ξ ξ3, dan 
seterusnya dengan Endogen η2 
H3: γ3.1 x β > (γ3.2)
2
 
 
 
Jurnal Kesehatan Medika Saintika  
Volume 6 Nomor 2 (Desember 2015) | https://jurnal.syedzasaintika.ac.id 
 
7 
 
e-ISSN : 2540-961 
p-ISSN : 2087-8508 
 
S
E
K
O
L
A
H
T
I
N
G
G
I I LM
U
K
E
S
E
H
A
T
A
N
SY EDZ
NA  SA I
T I K A
Jika pengujian signifikansi menunjukan 
hasil yang bermakna maka peneliti baru dapat 
melangkah pada uji hipotesis sesuai formulasi 
hipotesis statistik pada Tabel 6 di atas.  Hasil 
penghitungan perkalian koefisien jalur  antara 
variabel laten eksogen-variabel laten intervening 
dengan variabel laten intervening-variabel laten 
endogen menunjukkan nilai yang lebih besar, 
dibanding pangkat dua koefisien jalur variabel 
laten eksogen-variabel laten berarti hipotesis 
diterima, sebaliknya jika lebih kecil maka 
hipotesis ditolak.  
 
PENUTUP 
Pengujian hipotesis pada model 
struktural dijadikan tolok ukur signifikannya 
hubungan antar variabel yang diteliti, dapat 
diartikan sebagai pengaruh yang bermakna atau 
tidak bermaknanya suatu variabel laten terhadap 
variabel laten lainnya.  Nilai Patokan untuk 
penelitian sosial atau kebijakan adalah ≥ 1,96 
pada tingkat kepercayaan 95%. 
Jika penelitian menggunakan variabel 
intervening, maka disamping menjadikan nilai 
signifikansi sebagai tolok ukur, juga 
merumuskan formulasi baru yang akan diuji 
sebagai pembuktian hipotesis. Pembuktian 
hipotesis dilakukan melalui hasil penghitungan 
perkalian koefisien jalur antara variabel laten 
eksogen-variabel laten intervening dengan 
variabel laten intervening-variabel laten endogen 
yang harus lebih besar, dibanding pangkat dua 
koefisien jalur variabel laten eksogen-variabel.  
 
DAFTAR PUSTAKA 
Chin, WW., Marcolin, BL., & Newsted, PN. 
(2003)  A partial least squares approach 
for measuring interaction effects: Results 
from a monte carlo simulation study and 
an electronic mail emotion/adoption 
study. Information Systems Research, 
14(2), pp. 189–217. 
Ferdinand, A. (2002)  Structural equation 
modeling dalam penelitian manajemen: 
Aplikasi model-model rumit dalam 
penelitian untuk tesis magister dan 
disertasi doctor, Edisi 2, Semarang: 
Fakultas Ekonomi Universitas 
Diponegoro.   
Ghozali, I. (2008)  Structural equation 
modeling: Metode alternatif dengan 
partial least square (pls), Semarang: 
Badan Penerbit Universitas Diponegoro. 
Hadi, S. (2002)  Metodologi research 2, 
Yogyakarta: Yayasan Penerbit Fakultas 
Psikologi, Universitas Gajah Mada. 
Hair, JF., Black, WC., Babin, BJ., & Anderson, 
RE. (2010)  Multivariate data analysis. 
New Jersey: Prentice Hall Inc, pp. 623-5. 
Hulland, J. (1999)  Use of partial least squares 
(pls) on strategic management research: A 
review of four recent studies, Strategic 
Management Journal (20), pp. 195-204. 
Jaya, IGNM. & Sumertajaya, IM. (2008)  
Pemodelan persamaan struktural dengan 
partial least square, Semnas Matematika 
dan Pendidikan Matematika 2008, Jurusan 
Statistika Unpad dan Departemen 
Statistika IPB, pp. 118-32. 
Johnson, RA. & Dean, WW. (2002)  Applied 
multivariate statistical analysis, USA: 
Pearson Education International.  
 
Jurnal Kesehatan Medika Saintika  
Volume 6 Nomor 2 (Desember 2015) | https://jurnal.syedzasaintika.ac.id 
 
8 
 
e-ISSN : 2540-961 
p-ISSN : 2087-8508 
 
S
E
K
O
L
A
H
T
I
N
G
G
I I LM
U
K
E
S
E
H
A
T
A
N
SY EDZ
NA  SA I
T I K A
Munro, BH. (1997)  Statiscal method for health 
care research, 3
rd
 Edition, Philadelphia 
New York: Lippincott-Raven Publisher.   
Parasuraman, AA., Zeithaml, V. & Berry, LL. 
(2002)  Refinement and reassessment of 
the servqual scale, Journal of  Retailing, 
Volume 67 nomor 4 (Winter). 
Sarjono (2007)  Analisis jalur untuk riset bisnis 
dengan SPSS, Yogyakarta: Andi Offset. 
Sekaran, U. & Roger, B. (2003)  Research 
method of business: A skill building 
Approach, 5
th
Ed, John Wiley and Sons. 
Sitinjak & Sugiarto (2006)  Lisrel. Edisi 
Pertama, Yogyakarta: Graha Ilmu. 
Sugiono (2005)  Statistika untuk penelitian, 
Bandung: Alvabeta. 
 
 
 
 
 
 
 
 
 
 
 


Not a member yet

SMART PARTIAL LEAST SQUARE SOFTWARE YANG POWERFULL: STUDI LITERATUR ANALISA MULTIVARIAT MASA KINI

244

301